研究人员利用AI创造虚拟啮齿动物模型，揭示大脑如何控制运动

  6月19日消息，日前，哈佛大学和谷歌DeepMind的科学家在《自然》(Nature)杂志上发表了一项新研究，展示了如何利用人工智能深度强化学习来创造一个逼真的虚拟啮齿动物，这可能有助于推进行为神经科学和许多领域的重要研究。

  “动物对自己的身体有精细的控制，使它们能够执行各种各样的行为。”哈佛大学脑科学有机体和进化生物学教授Bence P. Ölveczky表示，“然而，大脑是如何实现这种控制的，目前还不清楚。”

  在这种情况下，如何用算法模拟运动中的老鼠呢？在本研究中，人工智能设计包括视觉编码器、本体感觉编码器、反向传播训练的核心模块和由一个或多个长短期记忆(LSTM)循环神经网络组成的策略模块。

  研究人员写道，“我们使用深度强化学习来训练虚拟代理来模仿自由移动的老鼠的行为，从而使我们能够将真实老鼠的神经活动记录与模仿它们行为的虚拟啮齿动物的网络活动进行比较。”

  深度强化学习是一种人工智能机器学习，它将深度神经网络与强化学习相结合，使智能体能够通过行动的结果来学习行为。深度神经网络(DNN)是一种具有输入层、输出层和许多用于处理和传递数据的隐藏层的人工神经网络(ANN)。层数越多，神经网络越深。

  强化学习(RL)是一种人工智能机器学习，通过试错和环境交互改进的反馈来模拟学习。强化学习用于复杂的现实世界场景，在这些场景中，当前的决策会影响未来的结果。强化的类型可以是积极的、消极的、惩罚的、消失的、间歇的或连续的。模拟强化学习的一个现实例子是，当宠物狗被命令“坐下”时，给它一种食物作为奖励和积极强化的形式。强化学习被用于机器人、自动驾驶汽车、医疗保健、电脑游戏、推荐引擎、个性化医疗等领域。

  研究人员使用基于物理的引擎开发了一个虚拟的老鼠身体，用于基于模型的控制和实验室老鼠的实际测量。然后，他们给这只虚拟啮齿动物分配了各种任务，比如跳跃、觅食、逃跑和双碰。

  研究人员表示，“我们发现，虚拟啮齿动物的网络活动比真实老鼠的运动特征更能预测感觉运动纹状体和运动皮层的神经活动，这与这两个区域的反向动态是一致的。”

  根据科学家的说法，他们可以完全监控神经活动、行为和感官输入，以及模型的训练目标、方差来源和连通性。

  这些结果证明了生物力学逼真的虚拟动物的物理模拟如何有助于解释跨行为的神经活动结构，并将其与运动控制的理论原理联系起来。